特開 2023-88190 推定装置、推定方法、推定プログラム、及び学習モデル生成装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023088190

(43)【公開日】2023-06-26

(54)【発明の名称】推定装置、推定方法、推定プログラム、及び学習モデル生成装置

(51)【国際特許分類】

   A61B 5/11 20060101AFI20230619BHJP

   A41D 7/00 20060101ALI20230619BHJP

   A41D 13/012 20060101ALI20230619BHJP

   A41D 13/00 20060101ALI20230619BHJP

   G06N 3/02 20060101ALI20230619BHJP

   G06N 20/00 20190101ALI20230619BHJP

   G06N 3/044 20230101ALI20230619BHJP

【ＦＩ】

A61B5/11 230

A41D7/00 B

A41D13/012

A41D13/00 102

G06N3/02

G06N20/00

G06N3/04 145

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2021202889

(22)【出願日】2021-12-14

(71)【出願人】

【識別番号】000005278

【氏名又は名称】株式会社ブリヂストン

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】北野 創

(72)【発明者】

【氏名】若尾 泰通

【テーマコード（参考）】

3B011

4C038

【Ｆターム（参考）】

3B011AA02

3B011AB12

3B011AC08

3B011AC17

4C038VA04

4C038VB01

4C038VC20

(57)【要約】

【課題】防水衣類に人物の動きを計測する計測装置を取り付けることなく、導電性を有する柔軟材料を備えた防水衣類の電気特性を利用して、防水衣類の着用者の装着状態情報を推定する。
【解決手段】推定装置（１）は、防水素材で覆われ、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた防水素材の柔軟材料に予め定められた複数の検出点（７５）の間の電気特性を検出する検出部（１１８）を備える。また、推定装置（１）は、柔軟材料に刺激を与えた際の時系列の電気特性と、柔軟材料に刺激を与える防水衣類の装着状態を示す装着状態情報とを学習用データとして用いて、時系列の電気特性を入力とし、装着状態情報を出力するように学習された学習モデル（５１）に対して、検出部（１１８）で検出された入力データ（４）を入力し、入力データ（４）に対応する防水衣類の着用者の装着状態情報を推定する推定部（５）を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

防水素材で覆われ、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた防水衣類の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記防水衣類の着用者の装着状態を示す装着状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記装着状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記防水衣類の着用者の装着状態情報を推定する推定部と、
を含む推定装置。

【請求項2】

前記防水衣類は水着であり、
前記刺激は、前記水着の着用者の動きに伴い発生する圧力刺激であり、
前記推定部は、前記水着の着用者の装着状態情報として、前記水着の着用者の水中における動きに関する情報を推定する
請求項１に記載の推定装置。

【請求項3】

前記推定部は、前記水着の着用者の水中における動きに関する情報として、前記水着の着用者の水中における動作状態、又は姿勢状態を推定する
請求項２に記載の推定装置。

【請求項4】

前記刺激は、前記防水衣類への含水に伴い発生する素材刺激であり
前記推定部は、前記柔軟材料に素材刺激を与えた際の時系列の電気特性と、前記柔軟材料に素材刺激を与える前記防水衣類への含水の状態を示す含水状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記含水状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記防水衣類の含水状態を推定する
請求項１～請求項３の何れか１項に記載の推定装置。

【請求項5】

前記推定部は、推定した前記防水衣類の含水状態から、前記防水衣類の破損の有無及び破損の程度の少なくとも一方を推定する
請求項４に記載の推定装置。

【請求項6】

前記防水衣類は、繊維状及び網目状の少なくとも一方の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む
請求項１～請求項５の何れか１項に記載の推定装置。

【請求項7】

前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む
請求項１～請求項６の何れか１項に記載の推定装置。

【請求項8】

コンピュータが、
防水素材で覆われ、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた防水衣類の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記防水衣類を着用した着用者の動きを示す動き情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記動き情報を出力するように学習された学習モデルに対して、検出した時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記防水衣類の着用者の動き情報を推定する
推定方法。

【請求項9】

コンピュータに、
防水素材で覆われ、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた防水衣類の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記防水衣類を着用した着用者の動きを示す動き情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記動き情報を出力するように学習された学習モデルに対して、検出した時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記防水衣類の着用者の動き情報を推定する
処理を実行させるための推定プログラム。

【請求項10】

防水素材で覆われ、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた防水衣類の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料に刺激を与える前記防水衣類の着用者の動き情報と、を取得し、取得した取得結果に基づいて、前記柔軟材料に刺激を与えた際の時系列の電気特性を入力とし、前記防水衣類の着用者の動き情報を出力する学習モデルの機械学習を行う学習処理部
を含む学習モデル生成装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、推定装置、推定方法、推定プログラム、及び学習モデル生成装置に関する。

【背景技術】

【0002】

従来より、人の複数の関節の角度を計測して、人が水中を泳ぐ動作を評価する評価装置が知られている（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１８－１８７１４９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、光ファイバの曲がり具合に応じた光量の変化から関節の角度を計測しようとしているため、ウェットスーツや水着に後から光ファイバを取り付ける必要がある。しかも、ウェットスーツや水着は立体裁断が行われていることが多いため、角度の計測対象となる関節に対応した位置を通るように光ファイバをウェットスーツや水着に取り付けるには技術を要する。更に、ウェットスーツや水着に取り付けた光ファイバが関節の動きを妨げることも考えられる。

【0005】

本開示は、防水衣類に人物の動きを計測する計測装置を取り付けることなく、導電性を有する柔軟材料を備えた防水衣類の電気特性を利用して、防水衣類の着用者の装着状態情報を推定可能な推定装置、推定方法、推定プログラム、及び学習モデル生成装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

上記目的を達成するために、第１態様は、
防水素材で覆われ、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた防水衣類の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記防水衣類の着用者の装着状態を示す装着状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記装着状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記防水衣類の着用者の装着状態情報を推定する推定部と、
を含む推定装置である。

【0007】

第２態様は、第１態様の推定装置において、
前記防水衣類は水着であり、
前記刺激は、前記水着の着用者の動きに伴い発生する圧力刺激であり、
前記推定部は、前記水着の着用者の装着状態情報として、前記水着の着用者の水中における動きに関する情報を推定する。

【0008】

第３態様は、第２態様の推定装置において、
前記推定部は、前記水着の着用者の水中における動きに関する情報として、前記水着の着用者の水中における動作状態、又は姿勢状態を推定する。

【0009】

第４態様は、第１態様～第３態様の何れか１態様の推定装置において、
前記刺激は、前記防水衣類への含水に伴い発生する素材刺激であり
前記推定部は、前記柔軟材料に素材刺激を与えた際の時系列の電気特性と、前記柔軟材料に素材刺激を与える前記防水衣類への含水の状態を示す含水状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記含水状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記防水衣類の含水状態を推定する。

【0010】

第５態様は、第４態様の推定装置において、
前記推定部は、推定した前記防水衣類の含水状態から、前記防水衣類の破損の有無及び破損の程度の少なくとも一方を推定する。

【0011】

第６態様は、第１態様～第５態様の何れか１態様の推定装置において、
前記防水衣類は、繊維状及び網目状の少なくとも一方の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む。

【0012】

第７態様は、第１態様～第６態様の何れか１態様の推定装置において、
前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む。

【0013】

第８態様は、
コンピュータが、
防水素材で覆われ、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた防水衣類の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記防水衣類を着用した着用者の動きを示す動き情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記動き情報を出力するように学習された学習モデルに対して、検出した時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記防水衣類の着用者の動き情報を推定する
推定方法である。

【0014】

第９態様は、
コンピュータに、
防水素材で覆われ、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた防水衣類の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記防水衣類を着用した着用者の動きを示す動き情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記動き情報を出力するように学習された学習モデルに対して、検出した時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記防水衣類の着用者の動き情報を推定する
処理を実行させるための推定プログラムである。

【0015】

第１０態様は、
防水素材で覆われ、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた防水衣類の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料に刺激を与える前記防水衣類の着用者の動き情報と、を取得し、取得した取得結果に基づいて、前記柔軟材料に刺激を与えた際の時系列の電気特性を入力とし、前記防水衣類の着用者の動き情報を出力する学習モデルの機械学習を行う学習処理部
を含む学習モデル生成装置である。

【発明の効果】

【0016】

本開示によれば、防水衣類に人物の動きを計測する計測装置を取り付けることなく、導電性を有する柔軟材料を備えた防水衣類の電気特性を利用して、防水衣類の着用者の装着状態情報を推定することができる、という効果を有する。

【図面の簡単な説明】

【0017】

【図1】実施形態に係る推定装置の構成を示す図である。

【図2】実施形態に係る導電性ウレタンの配置を示す図である。

【図3】実施形態に係る学習モデル生成装置の概念構成を示す図である。

【図4】実施形態に係る学習処理部の機能構成を示す図である。

【図5】実施形態に係る学習処理部の他の機能構成を示す図である。

【図6】実施形態に係る推定装置の電気的な構成を示す図である。

【図7】実施形態に係る推定処理の流れを示すフローチャートである。

【図8】実施形態に係る導電性ウレタンを防水衣類に適用した一例を示す図である。

【図9】実施形態に係る学習処理の流れを示すフローチャートである。

【発明を実施するための形態】

【0018】

以下、図面を参照して本開示の技術を実現する実施形態を詳細に説明する。なお、作用、機能が同じ働きを担う構成要素及び処理には、全図面を通して同じ符合を付与し、重複する説明を適宜省略する場合がある。また、本開示は、以下の実施形態に何ら限定されるものではなく、本開示の目的の範囲内において適宜変更を加えて実施することができる。

【0019】

なお、本開示において人物とは、対象物に対して物理量により刺激を与えることが可能な人体及び物体の少なくとも一方を含む概念である。以下の説明では、人体及び物体の少なくとも一方を区別することなく、ヒトとモノとを含む概念として人物と総称して説明する。すなわち、人体及び物体のそれぞれの単体、及び人体と物体の組み合わせた組合せ体を総称して人物と称する。

【0020】

まず、図１から図７を参照して、本開示の技術を適用する導電性が付与された柔軟材料、及び当該柔軟材料を用いて、柔軟材料に対する付与側の状態を推定する状態推定処理を説明する。

【0021】

＜柔軟材料＞
本開示において「柔軟材料」とは、少なくとも一部が撓み等のように変形可能な材料を含む概念であり、ゴム材料等の柔らかい弾性体、繊維状及び網目状の少なくとも一方の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体を含む。これらの構造体の一例には、ウレタン材などの高分子材料が挙げられる。また、本開示では、導電性が付与された柔軟材料を用いる。「導電性が付与された柔軟材料」とは、導電性を有する材料を含む概念であり、導電性を付与するために導電材を柔軟材料に付与した材料、及び柔軟材料が導電性を有する材料を含む。導電性を付与する柔軟材料はウレタン材などの高分子材料が好適である。以下の説明では、導電性が付与された柔軟材料の一例として、ウレタン材の全部または一部に導電材料を配合及び浸潤（含浸ともいう）等により形成させた部材を、「導電性ウレタン」と称して説明する。導電性ウレタンは、導電材料を配合と浸潤（含浸）との何れかの方法で形成可能であり、導電材料の配合又は浸潤（含浸）で形成可能で、また導電材料の配合と浸潤（含浸）とを組み合わせて形成可能である。例えば、浸潤（含浸）による導電性ウレタンが、配合による導電性ウレタンより導電性が高い場合には、浸潤（含浸）により導電性ウレタンを形成することが好ましい。

【0022】

導電性ウレタンは、与えられた物理量に応じて電気特性が変化する機能を有する。電気特性が変化する機能を生じさせる物理量の一例には、撓み等のように構造を変形させる圧力による刺激（以下、圧力刺激という。）を示す圧力値による刺激値が挙げられる。なお、圧力刺激は、所定部位への圧力及び所定範囲の圧力の分布による圧力付与を含む。また、当該物理量の他例には、含水率及び水分付与等によって素材の性質を変化（変質）させる刺激（以下、素材刺激という。）を示す水分量等の刺激値が挙げられる。導電性ウレタンは、与えられた物理量に応じて電気特性が変化する。この電気特性を表す物理量の一例には、電気抵抗値が挙げられる。また、他例には、電圧値、又は電流値が挙げられる。

【0023】

導電性ウレタンは、所定の体積を有する柔軟材料に導電性を与えることで、与えられた物理量に応じた電気特性（すなわち、電気抵抗値の変化）が現れ、その電気抵抗値は、導電性ウレタンの体積抵抗値と捉えることが可能である。導電性ウレタンは、電気経路が複雑に連携し、例えば、変形に応じて電気経路が伸縮したり膨縮したりする。また、電気経路が一時的に切断される挙動、及び以前と異なる接続が生じる挙動を示す場合もある。従って、導電性ウレタンは、所定距離を隔てた位置（例えば、電極が配置された検出点の位置）の間では、与えられた物理量による刺激（圧力刺激及び素材刺激）の大きさや分布に応じた変形や変質で異なる電気特性を有する挙動を示す。このため、導電性ウレタンに与えられた物理量による刺激の大きさや分布に応じて電気特性が変化する。

【0024】

なお、導電性ウレタンを用いることで、変形及び変質についての対象箇所に電極等の検出点を設ける必要はない。導電性ウレタンに物理量による刺激が与えられる箇所を挟む任意の少なくとも２箇所に電極等の検出点を設ければよい（例えば、図１）。

【0025】

また、導電性ウレタンの電気特性の検出精度を向上するため、２個の検出点より多くの検出点を用いてもよい。また、本開示の導電性ウレタンは、図１に示す導電性ウレタン２２を１導電性ウレタン片とし、複数の導電性ウレタン片を配列してなる導電性ウレタン群で形成してもよい。この場合、複数の導電性ウレタン片毎に電気特性を検出してもよいし、複数の導電性ウレタン片の電気特性を合成して検出してもよい。複数の導電性ウレタン片毎に電気特性を検出する場合、配置部位毎（例えば、検出セット＃１～＃ｎ）に電気抵抗値等の電気特性を検出できる。また、他例としては、導電性ウレタン上における検出範囲を分割して分割した検出範囲毎に検出点を設けて検出範囲毎に電気特性を検出してもよい。

【0026】

＜推定装置＞
次に、導電性ウレタンを用いて、当該導電性ウレタンに対する付与側の状態を推定する推定装置の一例を説明する。

【0027】

図１に、付与側の状態を推定する推定処理を実行可能な推定装置１の構成の一例を示す。推定装置１は、推定部５を備え、導電性ウレタン２２における電気特性が入力されるように対象物２に接続されている。推定装置１では、対象物２に含まれる導電性ウレタン２２に対する付与側の状態が推定される。推定装置１は、後述する処理を実行する実行装置としてのＣＰＵを備えたコンピュータによって実現可能である。

【0028】

上述した導電性ウレタン２２の変形及び変質は、導電性ウレタン２２に対して時系列に与えられた物理量で生じる。この時系列に与えられる物理量は、付与側の状態に依存する。従って、時系列に変化する導電性ウレタン２２の電気特性は、導電性ウレタン２２に与えられた物理量の付与側の状態に対応する。例えば、導電性ウレタン２２を変形させる圧力刺激または導電性ウレタン２２を変質させる素材刺激が与えられる場合、時系列に変化する導電性ウレタン２２の電気特性は、圧力刺激の位置及び分布、並びに大きさを示す付与側の状態に対応する。よって、時系列に変化する導電性ウレタン２２の電気特性から導電性ウレタン２２に対する付与側の状態を推定することが可能である。

【0029】

推定装置１では、後述する推定処理によって、学習済みの学習モデル５１を用いて、未知の付与側の状態を推定し、出力する。これにより、特殊な装置や大型の装置を用いたり対象物２に含まれる導電性ウレタン２２の変形及び変質を直接計測することなく、対象物２に対する付与側の状態を同定することが可能となる。学習モデル５１は、対象物２に対する付与側の状態と、対象物２の電気特性（すなわち、対象物２に配置された導電性ウレタン２２の電気抵抗値等の電気特性）とを入力として学習される。学習モデル５１の学習については後述する。

【0030】

なお、導電性ウレタン２２は、柔軟性を有する部材２１に配置して対象物２を構成することが可能である（図２）。導電性ウレタン２２が配置された部材２１により構成される対象物２は、電気特性検出部７６を含む。導電性ウレタン２２は、部材２１の少なくとも一部に配置すればよく、内部に配置してもよいし外部に配置してもよい。また、導電性ウレタン２２は、導電性ウレタン２２への付与側の状態を推定可能に配置すればよく、例えば、人物に直接的又は間接的、或いはその両方で接触可能に配置すればよい。

【0031】

図２に、対象物２における導電性ウレタン２２の配置例を示す。対象物２のＡ－Ａ断面を対象物断面２－１として示すように、導電性ウレタン２２は、部材２１の内部を全て満たすように形成しても良い。また、対象物断面２－２に示すように、導電性ウレタン２２は、部材２１の内部における一方側（表面側）に形成しても良く、対象物断面２－３に示すように、部材２１の内部における他方側（裏面側）に導電性ウレタン２２を形成しても良い。さらに、対象物断面２－４に示すように、部材２１の内部の一部に導電性ウレタン２２を形成しても良い。また、対象物断面２－５に示すように、導電性ウレタン２２は、部材２１の表面側の外側に分離して配置しても良く、対象物断面２－６に示すように、他方側（裏面側）の外部に配置しても良い。導電性ウレタン２２を部材２１の外部に配置する場合、導電性ウレタン２２と部材２１とを積層するのみでもよく、導電性ウレタン２２と部材２１とを接着等により一体化してもよい。なお、導電性ウレタン２２を部材２１の外部に配置する場合であっても、導電性ウレタン２２が導電性を有するウレタン部材であるため、部材２１の柔軟性は阻害されない。

【0032】

図１に示すように、導電性ウレタン２２は、距離を隔てて配置された少なくとも２個の検出点７５からの信号によって、導電性ウレタン２２の電気特性（すなわち、電気抵抗値である体積抵抗値）を検出する。図１の例では、導電性ウレタン２２上で対角位置に配置された２個の検出点７５からの信号により電気特性（時系列の電気抵抗値）を検出する検出セット＃１が示されている。なお、検出点７５の個数及び配置は、図１に示す位置に限定されるものではなく、導電性ウレタン２２の電気特性を検出可能な位置であれば３個以上の個数でもよく何れの位置でもよい。なお、導電性ウレタン２２の電気特性は、電気特性（例えば、電気抵抗値である体積抵抗値）を検出する電気特性検出部７６を検出点７５に接続し、その出力を用いればよい。

【0033】

本実施形態では、センサとして導電性ウレタン２２を用いるため、例えば、人物が介在する場合に従来のセンサに比べて人物に与える違和感が極めて少ない。このため、計測中に人物に関する付与側の状態を害することが無く、計測と付与側の状態推定を同時に行うことが可能となる。これは計測と付与側の状態推定を別個に行っていた従来のセンサに比べて利点となり、とりわけ時系列変化を追う長時間の計測評価による推定においては、そのメリットは大きい。

【0034】

推定部５は、対象物２に接続され、導電性ウレタン２２の変形及び変質の少なくとも一方に応じて変化する電気特性に基づき、学習モデル５１を用いて、付与側の状態を推定する機能部である。具体的には、推定部５には、導電性ウレタン２２における電気抵抗の大きさ（電気抵抗値等）を表す時系列の入力データ４が入力される。入力データ４は、対象物２に対する付与側の状態、例えば、対象物２に接触した人物の姿勢や動き等の人物の挙動に関する状態を示す状態データ３に対応する。例えば、人物が対象物２に接触する際、姿勢等の所定の状態で接触し、当該状態に対応して、対象物２を構成する導電性ウレタン２２には刺激（圧力刺激及び素材刺激の少なくとも一方）が物理量として与えられ、導電性ウレタン２２の電気特性が変化する。従って、入力データ４により示される時系列に変化する導電性ウレタン２２の電気特性は、対象物２、すなわち、導電性ウレタン２２に対する付与側の状態に対応するものとなる。また、推定部５は、学習済みの学習モデル５１を用いた推定結果として、時系列に変化する導電性ウレタン２２の電気特性に対応する付与側の状態を表す出力データ６を出力する。

【0035】

学習モデル５１は、物理量として与えられる刺激（圧力刺激及び素材刺激）により変化する導電性ウレタン２２の電気抵抗（入力データ４）から、付与側の状態を表す出力データ６を導出する学習を済ませたモデルである。学習モデル５１は、例えば、学習済みのニューラルネットワークを規定するモデルであり、ニューラルネットワークを構成するノード（ニューロン）同士の間の結合の重み（強度）の情報の集合として表現される。

【0036】

＜学習処理＞
次に、学習モデル５１を生成する学習処理について説明する。

【0037】

図３に、学習モデル５１を生成する学習モデル生成装置の概念構成を示す。学習モデル生成装置は、学習処理部５２を備えている。学習モデル生成装置は、図示しないＣＰＵを備えたコンピュータを含んで構成可能であり、ＣＰＵにより実行される学習データ収集処理及び学習モデル生成処理によって学習処理部５２として実行されて学習モデル５１を生成する。

【0038】

＜学習データ収集処理＞
学習処理部５２は、学習データ収集処理において、付与側の状態を表す状態データ３をラベルとして導電性ウレタン２２における電気特性（例えば、電気抵抗値）を時系列に測定した大量の入力データ４を学習データとして収集する。従って、学習データは、電気特性を示す入力データ４と、その入力データ４に対応する付与側の状態を示す状態データ３と、のセットを大量に含む。

【0039】

具体的には、学習データ収集処理では、対象物２における状態（すなわち、導電性ウレタン２２に対する付与側の状態）が形成された際の付与側の状態に応じた刺激（圧力刺激及び素材刺激）により変化する電気特性（例えば、電気抵抗値）を時系列に取得する。次に、取得した時系列の電気特性（入力データ４）に状態データ３をラベルとして付与し、状態データ３と入力データ４とのセットが予め定めた所定数、又は予め定めた所定時間に達するまで処理を繰り返す。これらの付与側の状態を示す状態データ３と、付与側の状態毎に取得した時系列の導電性ウレタン２２の電気特性（入力データ４）とのセットが学習データとなる。なお、学習データにおける状態データ３は、後述する学習処理において推定結果が正解である付与側の状態を示す出力データ６として扱われるように図示しないメモリに記憶される。

【0040】

なお、学習データは、導電性ウレタン２２の電気抵抗値（入力データ４）の各々に測定時刻を示す情報を付与することで時系列情報を対応付けてもよい。この場合、付与側の状態として定まる期間について、導電性ウレタン２２における時系列な電気抵抗値のセットに測定時刻を示す情報を付与して時系列情報を対応付けてもよい。

【0041】

上述した学習データの一例を次に表で示す。表１は、導電性ウレタン２２に対する付与側の状態に関する学習データとして、時系列の電気抵抗値データ（ｒ）と付与側の状態を示す状態データ（Ｒ）とを対応付けたデータセットの一例である。

【0042】

【表1】

【0043】

なお、導電性ウレタン２２で検出される電気特性（時系列の電気抵抗値データによる時間特性）は、導電性ウレタン２２に対する付与側の状態に関する特徴パターンとして捉えることが可能である。すなわち、導電性ウレタン２２に対する付与側の状態によって、導電性ウレタン２２に対して異なる刺激が時系列に与えられる。従って、所定の時間内における時系列の電気特性は、付与側の状態に対して特徴的な電気特性として表れると考えられる。よって、導電性ウレタン２２で検出される電気特性（時系列の電気抵抗値データによる時間特性）に示されるパターン（例えば、電気特性における時系列の電気抵抗値の分布形状）は、付与側の状態に対応し、後述する学習処理において有効に機能する。

【0044】

＜学習モデル生成処理＞
次に、学習モデル生成処理について説明する。図３に示す学習モデル生成装置は、学習処理部５２における学習モデル生成処理によって、上述した学習データを用いて学習モデル５１を生成する。

【0045】

図４は、学習処理部５２の機能構成、すなわち、学習処理部５２で実行される学習モデル生成処理に関して、図示しないＣＰＵの機能構成を示す図である。学習処理部５２の図示しないＣＰＵは、生成器５４及び演算器５６の機能部として動作する。生成器５４は、入力である時系列に取得された電気抵抗値の前後関係を考慮して出力を生成する機能を有する。

【0046】

学習処理部５２は、学習用データとして、上述した入力データ４（例えば、電気抵抗値）と、導電性ウレタン２２に刺激を与えた付与側の状態を示す状態データ３である出力データ６とのセットを図示しないメモリに多数保持している。

【0047】

生成器５４は、入力層５４０、中間層５４２、及び出力層５４４を含んで、公知のニューラルネットワーク（ＮＮ：Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を構成する。ニューラルネットワーク自体は公知の技術であるため詳細な説明は省略するが、中間層５４２は、ノード間結合及びフィードバック結合を有するノード群（ニューロン群）を多数含む。その中間層５４２には、入力層５４０からのデータが入力され、中間層５４２の演算結果のデータは、出力層５４４へ出力される。

【0048】

生成器５４は、入力された入力データ４（例えば、電気抵抗値）から付与側の状態を表すデータ又は付与側の状態に近いデータとしての生成出力データ６Ａを生成するニューラルネットワークである。生成出力データ６Ａは、入力データ４から導電性ウレタン２２に刺激が与えられた付与側の状態を推定したデータである。生成器５４は、時系列に入力された入力データ４から、付与側の状態に近い状態を示す生成出力データ６Ａを生成する。生成器５４は、多数の入力データ４を用いて学習することで、対象物２、すなわち、導電性ウレタン２２に刺激が与えられた人物等の付与側の状態に近い生成出力データ６Ａを生成できるようになる。他の側面では、時系列に入力された入力データ４である電気特性をパターンとして捉え、当該パターンを学習することで、対象物２、すなわち、導電性ウレタン２２に刺激が与えられた人物等の付与側の状態に近い生成出力データ６Ａを生成できるようになる。

【0049】

演算器５６は、生成出力データ６Ａと、学習データの出力データ６とを比較し、その比較結果の誤差を演算する演算器である。学習処理部５２は、生成出力データ６Ａ、及び学習データの出力データ６を演算器５６に入力する。これに応じて、演算器５６は、生成出力データ６Ａと、学習データの出力データ６との誤差を演算し、その演算結果を示す信号を出力する。

【0050】

学習処理部５２は、演算器５６で演算された誤差に基づいて、ノード間の結合の重みパラメータをチューニングする、生成器５４の学習を行う。具体的には、生成器５４における入力層５４０と中間層５４２とのノード間の結合の重みパラメータ、中間層５４２内のノード間の結合の重みパラメータ、及び中間層５４２と出力層５４４とのノード間の結合の重みパラメータの各々を、例えば、勾配降下法や誤差逆伝播法等の手法を用いて、生成器５４にフィードバックする。すなわち、学習データの出力データ６を目標として、生成出力データ６Ａと学習データの出力データ６との誤差を最小化するように全てのノード間の結合を最適化する。

【0051】

なお、生成器５４は、時系列入力の前後関係を考慮して出力を生成する機能を有する再帰型ニューラルネットワークを用いてもよく、他の手法を用いてもよい。

【0052】

学習処理部５２は、学習モデル生成処理によって、上述した学習データを用いて学習モデル５１を生成する。学習モデル５１は、学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現され、図示しないメモリに記憶される。

【0053】

具体的には、学習処理部５２は、次の手順により学習モデル生成処理を実行する。第１学習処理では、時系列に測定した結果の学習データである、付与側の状態を示す情報をラベルとした入力データ４（電気特性）を取得する。第２学習処理では、時系列に測定した結果の学習データを用いて学習モデル５１を生成する。すなわち、上記のようにして多数の学習データを用いて学習した学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合を得る。そして、第３学習処理では、学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現されるデータを学習モデル５１として記憶する。

【0054】

そして、上記推定装置１では、学習済みの生成器５４（すなわち、学習結果のノード間の結合の重みパラメータの情報の集合として表現されるデータ）を学習モデル５１として用いる。十分に学習した学習モデル５１を用いれば、対象物２、すなわち、導電性ウレタン２２の時系列の電気特性（例えば、時系列に変化する電気抵抗値の特性）から付与側の状態を同定することも不可能ではない。

【0055】

＜ＰＲＣ＞
ところで、導電性ウレタン２２は、上述したように電気経路が複雑に連携し、電気経路の伸縮、膨縮、一時的な切断、及び新たな接続等の変化（変形）、並びに素材の性質の変化（変質）に応じた挙動を示す。結果的に、導電性ウレタン２２は、与えられた刺激（例えば、圧力刺激）に応じて異なる電気特性を有する挙動を示す。このことは、導電性ウレタン２２を、導電性ウレタン２２の変形に関するデータを貯留するリザーバとして扱うことが可能である。すなわち、推定装置１は、物理的なリザーバコンピューティング（ＰＲＣ：Ｐｈｙｓｉｃａｌ Ｒｅｓｅｒｖｏｉｒ Ｃｏｍｐｕｔｉｎｇ）と呼ばれるネットワークモデル（以下、ＰＲＣＮという。）に、導電性ウレタン２２を適用することが可能である。ＰＲＣ及びＰＲＣＮ自体は公知の技術であるため、詳細な説明を省略するが、ＰＲＣ、及びＰＲＣＮは、導電性ウレタン２２の変形や変質に関する情報の推定に好適である。

【0056】

図５に、ＰＲＣＮを適用した学習処理部５２の機能構成の一例を示す。ＰＲＣＮを適用した学習処理部５２は、入力リザーバ層５４１と、推定層５４５とを含む。入力リザーバ層５４１は、対象物２に含まれる導電性ウレタン２２が対応する。すなわち、ＰＲＣＮを適用した学習処理部５２では、導電性ウレタン２２を含む対象物２を、導電性ウレタン２２を含む対象物２の変形及び変質に関するデータを貯留するリザーバとして扱って学習する。導電性ウレタン２２は、多様な刺激の各々に応じた電気特性（例えば、電気抵抗値）となり、電気抵抗値を入力する入力層として機能し、また、導電性ウレタン２２の変形及び変質に関するデータを貯留するリザーバ層として機能する。導電性ウレタン２２は、人物等の付与側の状態により与えられた刺激に応じて異なる電気特性（入力データ４）を出力するので、推定層５４５で、与えられた導電性ウレタン２２の電気抵抗値から未知の付与側の状態を推定することが可能である。従って、ＰＲＣＮを適用した学習処理部５２における学習処理では、推定層５４５を学習すればよい。

【0057】

＜推定装置の構成＞
次に、上述した推定装置１の具体的な構成の一例についてさらに説明する。図６に、推定装置１の電気的な構成の一例を示す。図６に示す推定装置１は、上述した各種機能を実現する処理を実行する実行装置としてのコンピュータを含んで構成したものである。上述の推定装置１は、コンピュータに上述の各機能を表すプログラムを実行させることにより実現可能である。

【0058】

推定装置１として機能するコンピュータは、コンピュータ本体１００を備えている。コンピュータ本体１００は、ＣＰＵ１０２、揮発性メモリ等のＲＡＭ１０４、ＲＯＭ１０６、ハードディスク装置（ＨＤＤ）等の補助記憶装置１０８、及び入出力インターフェース（Ｉ／Ｏ）１１０を備えている。これらのＣＰＵ１０２、ＲＡＭ１０４、ＲＯＭ１０６、補助記憶装置１０８、及び入出力Ｉ／Ｏ１１０は、相互にデータ及びコマンドを授受可能にバス１１２を介して接続された構成である。また、入出力Ｉ／Ｏ１１０には、外部装置と通信するための通信部１１４、ディスプレイやキーボード等の操作表示部１１６、及び検出部１１８が接続されている。検出部１１８は、導電性ウレタン２２を含む対象物２から、入力データ４（時系列の電気抵抗値等の電気特性）を取得する機能を有する。すなわち、検出部１１８は、導電性ウレタン２２が配置された対象物２を含み、かつ導電性ウレタン２２における検出点７５に接続された電気特性検出部７６から入力データ４を取得することが可能である。なお検出部１１８は通信部１１４を介して接続してもよい。

【0059】

補助記憶装置１０８には、コンピュータ本体１００を本開示の推定装置の一例として推定装置１として機能させるための制御プログラム１０８Ｐが記憶される。ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出してＲＡＭ１０４に展開して処理を実行する。これにより、制御プログラム１０８Ｐを実行したコンピュータ本体１００は、推定装置１として動作する。

【0060】

なお、補助記憶装置１０８には、学習モデル５１を含む学習モデル１０８Ｍ、及び各種データを含むデータ１０８Ｄが記憶される。制御プログラム１０８Ｐは、ＣＤ－ＲＯＭ等の記録媒体により提供するようにしても良い。

【0061】

＜推定処理＞
次に、コンピュータにより実現された推定装置１における推定処理についてさらに説明する。図７に、コンピュータ本体１００で実行される制御プログラム１０８Ｐによる推定処理の流れの一例を示す。図７に示す推定処理は、コンピュータ本体１００に電源投入されると、ＣＰＵ１０２により実行される。ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出し、ＲＡＭ１０４に展開して処理を実行する。

【0062】

まず、ＣＰＵ１０２は、補助記憶装置１０８の学習モデル１０８Ｍから学習モデル５１を読み出し、ＲＡＭ１０４に展開することで、学習モデル５１を取得する（ステップＳ２００）。具体的には、学習モデル５１として表現された重みパラメータによるノード間の結合となるネットワークモデル（図４、図５参照）を、ＲＡＭ１０４に展開することによって、重みパラメータによるノード間の結合が実現された学習モデル５１が構築される。

【0063】

次に、ＣＰＵ１０２は、導電性ウレタン２２に与えられた刺激による付与側の状態を推定する対象となる未知の入力データ４（電気特性）を、検出部１１８を介して時系列に取得する（ステップＳ２０２）。次に、ＣＰＵ１０２は、学習モデル５１を用いて、取得済みの入力データ４に対応する出力データ６（未知の付与側の状態）を推定する（ステップＳ２０４）。そして、ＣＰＵ１０２は、推定結果の出力データ６（付与側の状態）を、通信部１１４を介して出力し（ステップＳ２０６）、本処理ルーチンを終了する。

【0064】

このように、推定装置１によれば、導電性ウレタン２２の電気抵抗値から未知の付与側の状態を推定可能である。具体的には、推定装置１では、付与側の状態により導電性ウレタン２２に与えられた刺激に応じて変化する入力データ４（電気特性）から、人物等の付与側の状態を推定することが可能となる。すなわち、特殊な装置や大型の装置を用いたり柔軟部材の変形を直接計測することなく、人物等の付与側の状態を推定することが可能となる。

【0065】

＜動き推定＞
このような導電性ウレタン２２を防水素材で覆うことで、導電性ウレタン２２を、防水性を備えた衣類、すなわち、防水衣類に適用することができる。防水衣類には、例えば、水着といった水中での使用を前提とした衣類の他、ウインドブレーカー及びレインコートのように、陸上での使用を前提とした衣類が含まれる。

【0066】

なお、防水素材とは、防水素材の表面に水分が付着したとしても、内部に含まる導電性ウレタン２２への水分の浸透を阻止する素材のことである。例えば、ポリエステルのような化学繊維は防水素材の一例である。また、素材自体は水分を吸収するが、水分を吸収しないように防水加工が施された素材も防水素材の一例である。

【0067】

導電性ウレタン２２を含む防水衣類を着用した着用者が動けば防水衣類の伸縮及び膨張といった圧力刺激が生じるため、推定装置１によって、導電性ウレタン２２の時系列の電気特性の変化から防水衣類の着用者の動きが推定可能となる。着用者の動きは、防水衣類の装着状態に影響を与えることから、着用者の動きに関する情報は、防水衣類の装着状態を示す装着状態情報の一例である。説明の便宜上、以降では、防水衣類の着用者を、単に「着用者」ということがある。

【0068】

図８は、導電性ウレタン２２をウェットスーツ２４に適用した一例を示す図である。すなわち、図８において、刺激が与えられる対象物２はウェットスーツ２４ということになる。ウェットスーツ２４に適用された導電性ウレタン２２は防水素材で覆われ、水が浸透しないようになっている。ウェットスーツ２４は水中での使用を目的とした防水衣類であることから水着の一例である。

【0069】

近年、着用者に違和感を与えることなく電気回路を防水衣類に取り付け、防水衣類をウェアラブルデバイスとする技術が開発されているが、これを利用すれば、図８に示すように、電気特性検出部７６をウェットスーツ２４に装着することができる。その上で、無線を利用すれば、着用者の動きを妨げることなく、通信部１１４経由で電気特性検出部７６と推定装置１を接続することが可能である。

【0070】

しかしながら、水中では電波によるデータ通信を行うことができないため、電気特性検出部７６は、推定装置１と電波によるデータ通信を行うことができない場合、電気特性検出部７６に設けた記憶素子に導電性ウレタン２２の時系列の電気特性を記憶する。その上で、電気特性検出部７６は、推定装置１と電波によるデータ通信が可能になったタイミングで、記憶素子に記憶していた導電性ウレタン２２の時系列の電気特性を推定装置１に送信すればよい。なお、状況によっては電気特性検出部７６と推定装置１を有線で接続してもよい。

【0071】

次に、着用者の動きを推定するための学習モデル５１を生成する学習処理について説明する。

【0072】

図３に示した学習モデル生成装置の学習処理部５２は、学習データ収集処理において、着用者の動きを表す状態データ３をラベルとする導電性ウレタン２２における電気抵抗値を時系列に測定した大量の入力データ４を学習データとして収集する。

【0073】

具体的には、学習データ収集処理では、着用者の動きによって装着状態が変化するウェットスーツ２４に含まれる導電性ウレタン２２の電気特性（例えば、電気抵抗値）をウェットスーツ２４に取り付けられた電気特性検出部７６から時系列に取得する。次に、取得した時系列の電気特性である入力データ４に状態データ３をラベルとして付与し、状態データ３と入力データ４とを組み合わせた複数の学習データを準備する。

【0074】

以降では、ウェットスーツ２４に含まれる導電性ウレタン２２の電気特性の一例として電気抵抗値を用いた説明を行うが、導電性ウレタン２２の電気特性として電流値又は電圧値を用いてもよいことは前述した通りである。

【0075】

本実施形態に係る着用者の動きには、例えば、ばた足をしている、顔が右方向を向いている、及び左腕を伸ばしているといった、時間の経過と共に変化する連続した体の動きに着目した動作の他、例えば、泳いでいるときの手首の角度や腕の上げ方といった着用者の静的な状態、すなわち、着用者の姿勢も含まれる。すなわち、ウェットスーツ２４の着用者の動作及び姿勢は、水着の着用者の水中における動きに関する情報の一例である。

【0076】

表２は、着用者の動作状態の推定に用いる学習データとして、防水衣類から得られた時系列の電気抵抗値データ、すなわち、入力データ４と、着用者の動作状態を示す状態データ３とを対応付けたデータセットの一例である。

【0077】

【表2】

【0078】

表２に示すように、各々の学習データには、時系列の電気抵抗値データと動作状態が対応付けられている。

【0079】

各々の学習データにおける時系列の電気抵抗値データｒｋｎに関して、末尾の“ｎ”は、電気抵抗値データの時系列を表し、“ｋ”は各々の動作状態を表すインデックスである。また、Ｒ１～Ｒｋで表される状態データ３は、各々の動作状態と対応付けられた値である。なお、同種の動作状態に対して複数の学習データが用意されていてもよい。

【0080】

学習処理部５２は、表２に示した学習データの例を用いて学習モデル５１を生成する。図９は、学習処理部５２で行われる学習処理の流れの一例を示す図である。

【0081】

まず、学習処理部５２は、表２に示した複数の学習データの中から、何れか１つの学習データを選択する（ステップＳ１００）。

【0082】

次に、学習処理部５２は、ステップＳ１００で選択した学習データ（「選択学習データ」という）から時系列の入力データ４を取得する（ステップＳ１０２）。

【0083】

次に、学習処理部５２は、学習モデル５１にステップＳ１０２で取得した時系列の入力データ４を入力する（ステップＳ１０４）。例えば、ステップＳ１００で、表２における動作状態Ｒ１を含んだ学習データが選択された場合、“ｒ１１、ｒ１２、ｒ１３、・・・、ｒ１ｎ”を要素とするｎ次元の入力ベクトルで表される入力データ４を学習モデル５１に入力する。

【0084】

これにより、学習モデル５１は入力データ４に対する生成出力データ６Ａを出力することになるため、学習処理部５２は、学習モデル５１の出力、すなわち、生成出力データ６Ａと、状態データ３として表されている選択学習データにおける出力データ６との差分、すなわち、誤差を算出する（ステップＳ１０６）。表２に示したように、例えば、着用者の動作状態が「ばた足」であれば“１”、「顔が右方向を向く」であれば“２”というように、出力データ６には着用者の動作状態に対して予め定められた値（Ｒｋ）が対応付けられている。

【0085】

次に、学習処理部５２は、ステップＳ１０６で算出した誤差が、予め定めた閾値ε未満であるか否かを判定する（ステップＳ１０８）。誤差が閾値ε未満である場合には、学習モデル５１は、時系列の電気抵抗値データによって表される特徴パターンと、着用者の動作状態との対応付けを機械学習したことを意味する。したがって、学習処理部５２は、図９に示す学習処理を終了する。

【0086】

なお、閾値εは学習モデル生成装置を用いて学習モデル５１の機械学習を行うユーザによって設定可能である。着用者の動作状態をできるだけ精度よく推定する学習モデル５１を得るためには閾値εを小さく設定すればよいが、それに伴い、学習モデル５１の機械学習に要する時間が長くなり、また、より多くの学習データが必要になることがある。

【0087】

一方、ステップＳ１０８の判定処理で誤差が閾値ε以上であると判定された場合には、学習モデル５１は、時系列の電気抵抗値データによって表される特徴パターンと、着用者の動作状態との対応付けの学習途中であることを意味する。

【0088】

したがって、学習処理部５２は、例えば、勾配降下法や誤差逆伝播法等の公知の手法を用いて、誤差が小さくなるように学習モデル５１のノード間の重みパラメータを修正する（ステップＳ１１０）。

【0089】

次に、学習処理部５２は、用意されている複数の学習データの中に、ステップＳ１００でまだ選択していない未選択の学習データがあるか否かを判定する（ステップＳ１１２）。未選択の学習データがある場合にはステップＳ１００に移行して、学習処理部５２は、未選択の学習データを選択してステップＳ１０２以降の処理を実行する。

【0090】

一方、ステップＳ１１２の判定処理で未選択の学習データがないと判定された場合には、既に用意されたすべての学習データを用いて学習モデル５１の機械学習を行ったことになるため、図９に示す学習処理を終了する。

【0091】

すなわち、学習処理部５２は、学習データに含まれる入力データ４に対して学習モデル５１が出力する生成出力データ６Ａと、学習データに含まれる出力データ６との誤差が閾値ε未満になるか、又は用意されたすべての学習データを用いて学習モデル５１の機械学習を行うまで学習モデル５１の機械学習を継続する。

【0092】

なお、学習処理部５２は、選択済みの学習データを用いて学習モデル５１の機械学習を繰り返し実行してもよい。

【0093】

推定装置１は、ウェットスーツ２４に含まれる導電性ウレタン２２の時系列の電気抵抗値データによって表される特徴パターンと、着用者の動作状態との関連性を機械学習した着用者の動きに関する学習モデル５１を用いて図７に示した推定処理を実行することによって、ウェットスーツ２４に含まれる導電性ウレタン２２における時系列の未知の電気抵抗値データから、着用者の動作状態を推定する。

【0094】

具体的には、図７のステップＳ２００において、推定装置１のＣＰＵ１０２は、着用者の動作状態に関する学習モデル５１を取得し、ステップＳ２０２において、ＣＰＵ１０２は、動作状態の推定対象となる着用者の防水衣類から時系列の電気抵抗値データを入力データ４として取得する。

【0095】

なお、ステップＳ２０２で取得する入力データ４に含まれる時系列の電気抵抗値データの数は、学習データの入力データ４に含まれる電気抵抗値データの数と同じになるようにする。すなわち、動作状態の推定対象となる入力データ４の次元数は、学習データの入力データ４の次元数にあわせる。

【0096】

ステップＳ２０２で取得する入力データ４は、推定処理の実行期間中に着用者からリアルタイムに得られた入力データ４であっても、推定処理を実行する前に予め得られていた入力データ４であってもよい。

【0097】

ステップＳ２０４において、ＣＰＵ１０２は、ステップＳ２００で取得した学習モデル５１に、ステップＳ２０２で取得した入力データ４を入力し、学習モデル５１から出力された出力データ６を取得する。ＣＰＵ１０２は、表２に示した状態データ３のうち、出力データ６に最も近い状態データ３と対応付けられている動作状態を、着用者の動作状態として推定する。

【0098】

ステップＳ２０６において、ＣＰＵ１０２は、ステップＳ２０４で推定した着用者の動作状態を出力する。

【0099】

このように、本実施形態に係る推定装置１によれば、導電性ウレタン２２を防水衣類に適用し、着用者の動きに伴い発生する圧力刺激によって変化する導電性ウレタン２２の時系列の電気特性と、着用者の動作状態との関連性を予め機械学習した学習モデル５１に、着用者の動きに対応した時系列の未知の電気特性を入力することで得られる出力データ６により、着用者の動作状態を推定する。

【0100】

したがって、例えば着用者が水中に潜ってしまい、水上からその姿を認識することができないような状況であっても、水中における着用者の動作状態を推定することができる。

【0101】

なお、着用者の姿勢状態も、動作状態と同様の推定方法によって推定装置１で推定することができる。

【0102】

表３は、着用者の姿勢状態の推定に用いる学習データとして、防水衣類から得られた時系列の電気抵抗値データ、すなわち、入力データ４と、着用者の姿勢状態を示す状態データ３とを対応付けたデータセットの一例である。

【0103】

【表3】

【0104】

表３に示す学習データの表記方法は、表２に示した学習データの表記方法と同じであるため説明を省略する。なお、同種の姿勢状態に対して複数の学習データが用意されていてもよい。

【0105】

例えば、表３における状態Ｒ１を含む学習データは、着用者の手首が５度曲がっている場合に、着用者の防水衣類に含まれる導電性ウレタン２２から検出された時系列の電気抵抗値データを表している。

【0106】

本実施形態では、推定する姿勢状態の一例として手首の角度を用いているが、足の開き具合、腕の上げ具合、腰のひねり具合といった他の部位の姿勢状態を状態データ３としてもよい。また、着用者における個別の部位毎の姿勢状態を状態データ３に対応付けるのではなく、体全体の姿勢状態を状態データ３に対応付けてもよい。体全体の姿勢状態とは、各時系列における着用者の体全体を対象とした形状のことであり、「フォーム」とも呼ばれる。

【0107】

一方、推定装置１のＣＰＵ１０２は、表３に示した学習データによって機械学習した学習モデル５１を用いて図７に示した推定処理を実行することにより、導電性ウレタン２２における時系列の未知の電気抵抗値データから、着用者の姿勢情報を推定する。

【0108】

具体的には、図７のステップＳ２００において、推定装置１のＣＰＵ１０２は、表３に示した学習データを用いて機械学習した学習モデル５１を取得し、ステップＳ２０２において、ＣＰＵ１０２は、ウェットスーツ２４から時系列の電気抵抗値データを入力データ４として取得する。

【0109】

ステップＳ２０４において、ＣＰＵ１０２は、ステップＳ２００で取得した学習モデル５１に、ステップＳ２０２で取得した入力データ４を入力し、学習モデル５１から出力された出力データ６を取得する。ＣＰＵ１０２は、表３に示した状態データ３のうち、出力データ６に最も近い状態データ３と対応付けられている姿勢状態を、着用者の姿勢情報として推定する。

【0110】

ステップＳ２０６において、ＣＰＵ１０２は、ステップＳ２０４で推定した姿勢情報を出力する。なお、動作状態の推定で説明した示唆は、姿勢状態の推定にも適用される。

【0111】

このように、本実施形態に係る推定装置１によれば、導電性ウレタン２２を防水衣類に適用し、着用者の姿勢状態に伴い発生する圧力刺激によって変化する導電性ウレタン２２の時系列の電気特性と、着用者の姿勢状態との関連性を予め機械学習した学習モデル５１に、ウェットスーツ２４に含まれる導電性ウレタン２２から検出された時系列の未知の電気特性を入力することで得られる出力データ６により、着用者の姿勢状態を推定する。

【0112】

したがって、推定装置１で推定された姿勢に関する情報を用いることで、例えば泳ぎのフォームの改善等に役立てることができるため、推定装置１をスポーツの分野に適用することができる。

【0113】

＜含水推定＞
上記で説明したように、防水衣類に含まれる導電性ウレタン２２は防水素材で覆われているため、防水衣類に含まれる導電性ウレタン２２に水分が浸透することはない。しかしながら、例えば、防水衣類と異物との擦れ、及び防水衣類の経年劣化等によって防水素材に裂け目が生じ、防水衣類に含まれる導電性ウレタン２２に水分が浸透する場合がある。

【0114】

導電性ウレタン２２に水分が浸透すると、導電性ウレタン２２の素材の性質を変化させる素材刺激により、導電性ウレタン２２の電気特性に変化が生じる。

【0115】

したがって、導電性ウレタン２２に水分を浸透させた場合と水分が浸透していない場合の各々の状態と、各々の状態における導電性ウレタン２２の時系列の電気特性との関連性を機械学習した学習モデル５１を予め用意しておけば、防水衣類に含まれる導電性ウレタン２２から得られた時系列の電気特性と当該学習モデル５１から、導電性ウレタン２２への含水状態が推定可能となる。

【0116】

この場合、導電性ウレタン２２に水分が浸透した場合の状態を、浸透した水分量毎に導電性ウレタン２２の時系列の電気特性と関連付けて学習しておけば、どの程度の量の水分が導電性ウレタン２２に浸透したかについても推定可能となる。防水衣類における導電性ウレタン２２での含水の有無、及び含水量は含水状態情報の一例である。

【0117】

また、防水衣類への水分の浸透は防水衣類の装着状態に変化を与えることから、防水衣類における含水状態は、防水衣類の装着状態を示す装着状態情報の一例である。

【0118】

表４は、防水衣類における含水状態情報の推定に用いる学習データとして、衣類から得られた時系列の電気抵抗値データ、すなわち、入力データ４と、含水状態を示す状態データ３とを対応付けたデータセットの一例である。

【0119】

【表4】

【0120】

表４に示す学習データの表記方法は、表２に示した学習データの表記方法と同じであるため説明を省略する。なお、同種の含水状態に対して複数の学習データが用意されていてもよい。

【0121】

例えば、表４における状態Ｒ１を含む学習データは、防水衣類に水分が浸透していない状態で、防水衣類に含まれる導電性ウレタン２２から検出された時系列の電気抵抗値データを表している。また、表４における状態Ｒ２を含む学習データは、防水衣類に１ｃｃの水分が浸透した状態で、防水衣類に含まれる導電性ウレタン２２から検出された時系列の電気抵抗値データを表している。

【0122】

学習処理部５２は、表４に示した学習データの例を用いて図９に示した学習処理を実行することで、導電性ウレタン２２の時系列の電気抵抗値データによって表される特徴パターンと、含水状態情報との関連性を機械学習した学習モデル５１を生成する。

【0123】

一方、推定装置１のＣＰＵ１０２は、表４に示した学習データによって機械学習した学習モデル５１を用いて図７に示した推定処理を実行することにより、導電性ウレタン２２における時系列の未知の電気抵抗値データから、防水衣類の含水状態情報を推定する。

【0124】

具体的には、図７のステップＳ２００において、推定装置１のＣＰＵ１０２は、表４に示した学習データを用いて機械学習した学習モデル５１を取得し、ステップＳ２０２において、ＣＰＵ１０２は、防水衣類に含まれる導電性ウレタン２２から時系列の電気抵抗値データを入力データ４として取得する。

【0125】

ステップＳ２０４において、ＣＰＵ１０２は、ステップＳ２００で取得した学習モデル５１に、ステップＳ２０２で取得した入力データ４を入力し、学習モデル５１から出力された出力データ６を取得する。ＣＰＵ１０２は、表４に示した状態データ３のうち、出力データ６に最も近い状態データ３と対応付けられている含水状態を、推定対象の防水衣類における含水状態情報として推定する。

【0126】

ステップＳ２０６において、ＣＰＵ１０２は、ステップＳ２０４で推定した含水状態情報を出力する。

【0127】

導電性ウレタン２２に浸透した水分量は、防水衣類における防水素材の裂け目の大きさに比例すると考えられる。したがって、ＣＰＵ１０２は、例えば、推定した含水量と防水衣類における破損の有無及び破損の程度の少なくとも一方を示す破損状態とを対応付けた対応表を参照して、推定した含水状態情報を防水衣類の破損状態として出力してもよい。当該対応表は、例えば、補助記憶装置１０８に予め記憶しておけばよい。

【0128】

なお、表４に示した含水状態として水分量と破損箇所を組み合わせた含水状態を用いて学習モデル５１の学習を行えば、推定装置１は、防水衣類における破損の有無や程度に加えて、更に破損箇所も推定することができる。

【0129】

また、ここでは一例として、導電性ウレタン２２の時系列の電気抵抗値データによって表される特徴パターンと、含水状態情報との関連性を機械学習した学習モデル５１の例について説明した。しかしながら、推定装置１は、導電性ウレタン２２の時系列の電気抵抗値データによって表される特徴パターンと、防水衣類の破損状態との関連性を機械学習した学習モデル５１を用いて、防水衣類の破損状態を直接推定してもよい。

【0130】

このように、本実施形態に係る推定装置１によれば、導電性ウレタン２２を防水衣類に適用し、導電性ウレタン２２が水分を含んだことによって生じる素材刺激によって変化する導電性ウレタン２２の時系列の電気特性と、防水衣類における含水状態情報との関連性を予め機械学習した学習モデル５１に、防水衣類における未知の含水に対応した時系列の電気特性を入力することで得られる出力データ６により、防水衣類における含水状態を推定する。

【0131】

上述したように、本開示では、柔軟部材の一例として導電性ウレタン２２を適用した場合を説明したが、柔軟部材は導電性ウレタン２２に限定されないことは勿論である。

【0132】

また、本開示の技術的範囲は上記実施形態に記載の範囲には限定されない。要旨を逸脱しない範囲で上記実施形態に多様な変更または改良を加えることができ、当該変更または改良を加えた形態も本開示の技術的範囲に含まれる。

【0133】

また、上記実施形態では、推定処理及び学習処理を、フローチャートを用いた処理によるソフトウエア構成によって実現した場合について説明したが、これに限定されるものではなく、例えば、各処理をハードウェア構成により実現する形態としてもよい。

【0134】

また、推定装置１の一部、例えば、学習モデル５１等のニューラルネットワークを、ハードウェア回路として構成してもよい。

【符号の説明】

【0135】

１ 推定装置
２ 対象物
３ 状態データ
４ 入力データ
５ 推定部
６ 出力データ
６Ａ 生成出力データ
２２ 導電性ウレタン
２４ ウェットスーツ
５１ 学習モデル
５２ 学習処理部
５４ 生成器
５６ 演算器
７５ 検出点
７６ 電気特性検出部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】